Inspection Software Engineer

优缺点分析

角色解读

• 纵向发展：成为计算机视觉专家或AI算法架构师，负责更复杂的工业智能解决方案
• 横向拓展：向智能制造或工业物联网方向延伸，参与更多自动化和数字化项目
• 管理路径：积累项目经验后，可转向技术团队管理或项目管理角色
• 核心工作是开发和维护用于工业质检的深度学习模型，特别是针对玻璃表面的缺陷识别
• 负责将AI算法落地到实际生产线，打通从数据采集、模型训练到自动化判定的全流程
• 需要与产线工程师和质量团队紧密合作，确保算法输出符合实际生产的质量标准
• 持续监控和优化模型性能，适应生产环境中的数据变化
• 扎实的机器学习基础，特别是计算机视觉和CNN架构，熟练使用PyTorch
• 具备完整的软件开发生命周期经验，包括后端开发、容器化(Docker)和版本控制(Git)
• 有工业场景下的模型部署和集成经验，理解如何将算法嵌入到现有的检测系统中
• 良好的跨部门沟通能力，能够用中英文清晰表达技术方案和业务需求

申请策略

• 在求职信中简要说明你对工业AI落地的热情和理解
• 准备几个具体的案例，讲述你如何解决过模型在实际应用中遇到的偏差或过拟合问题
• 了解康宁在显示科技领域的最新动态，展现对公司业务的兴趣
• 突出展示在计算机视觉或深度学习领域的具体项目经历，特别是缺陷检测、图像分类类案例
• 强调PyTorch框架的使用经验以及模型从开发到部署的全流程能力
• 如果有工业现场、制造业或AOI相关的经验，务必重点标注，这是极大的加分项
• 体现跨团队协作能力和双语沟通能力
• 加强对工业图像预处理和数据增强技术的理解，提升模型在噪声环境下的鲁棒性

面试指南

• 使用STAR法则（情境、任务、行动、结果）来结构化回答项目经历问题
• 对于技术问题，先阐述理论基础，再结合具体工具链（如PyTorch, Docker）说明实现细节
• 强调迭代优化的思维，展示如何通过数据分析定位瓶颈，并采取针对性措施（如数据清洗、模型结构调整、超参数调优）
• 在沟通类问题中，突出同理心和简化复杂概念的能力
• 请介绍一个你之前开发的深度学习模型，特别是在图像分类或目标检测方面的项目，你是如何评估和优化它的？
• 在工业场景中，数据往往存在不平衡或噪声大的问题，你通常如何处理这些挑战？
• 描述一次你将机器学习模型集成到现有软件或硬件系统的经历，遇到了哪些困难？
• 如果模型在生产线上的准确率不达标，你会如何排查问题和制定改进计划？